电子邮件 AI

AI 解决方案模板 > 电子邮件 AI

备注：

电子邮件 AI 模板当前为公开预览版。

UiPath 致力于提高产品的稳定性和质量，但预览功能始终会根据我们从客户收到的反馈而随时更改。不建议在生产部署中使用预览功能。

我们仍支持现有用户使用电子邮件 AI 模板解决方案，但对于更复杂的用例，强烈建议使用 Communications Mining 解决方案。有关 Communications Mining 的更多信息，请查看官方文档。

概述

要了解有关电子邮件 AI 的更多信息，请观看此视频。

收益

此模板提供了构建您自己的电子邮件 AI 解决方案的方法。 该模板有助于实现以下目标：

1. 检测意图以组织电子邮件并将其路由到不同部门。
2. 根据业务需求和情绪发现高价值和紧急的电子邮件。
3. 提取实体以执行数据输入和升级工作流。
4. 显示 AI 增强型自动化对 Insights Dashboard 的影响。

模板内容

为实现上述四个目标，此模板将以下内容捆绑到一个名为 EmailAI.zip 的 zip 文件中，可从此处下载：

• 机器学习 (ML) 模型（可在UiPath™ AI Center中获取）
• 示例数据集（在classification_data和ner_data文件夹内）
• 示例工作流（在SMA_SmartMailAutomation和NER_Validation_Station文件夹内）
• 标准分析
• ML 模型的人机交互和持续学习
• 配置文件 ( Config.xlsx )

机器学习模型

• 用于意图分类的多语言文本分类模型
• 用于提取相关信息的自定义命名实体识别模型
• 用于将电子邮件中的问题映射到知识库的语义相似度模型
• 用于发现紧急情况的情绪分析模型

示例数据集

示例数据集用于快速测试模型并创建特定于您的用例的其他数据集。

电子邮件 AI 模板捆绑包包含两个示例数据集：

• 用于标记电子邮件数据集的多语言文本分类模型示例 (Email_Classification_data.csv) - 此示例用于对以下类别的电子邮件进行分类：
  • 事务问题
  • 贷款问题
  • 错误信息或说明问题
• 自定义 NER 模型 ( Email_NER_data.txt ) 的标记电子邮件数据集示例 - 已标记以下实体：
  • ID
  • PER
  • ORG
  • 数量

Sample workflows

示例工作流用于在预构建的工作流中运行模型，以了解 AI 的强大功能，策划其他数据集，并在需要时自定义工作流。

业务场景工作流示例

自动化执行的第一件事是读取文件夹中的所有电子邮件并清理数据。 工作流配置为从 CSV 或 Outlook 中的文件夹读取电子邮件，但可以扩展为在收到新的电子邮件时触发。 读取新邮件后，自动化会预测意图、实体和情绪，并将电子邮件映射到知识库中的问题（在工作流的faq_data文件夹中提供）。 低置信度预测转到 Action Center，然后转到 AI Center 数据集。

根据预测，存在三种可能的情况：

贷款问题：将数据输入到 CSV 文件中并优先处理贷款超过 10,000 美元的电子邮件

交易问题：将数据输入到 CSV 文件中并优先处理交易价值超过 10,000 美元的电子邮件

错误信息或说明性问题：从知识库中提取映射问题的响应

此执行工作流还负责创建 Insights 仪表板查询可以使用的日志。

完成预测后，系统将创建用于响应传入电子邮件的示例响应。 也可以在Config.xlsx文件中配置示例响应。

标准分析

对于提供的演示，Insights 演示中的信息类似于以下屏幕截图：

电子邮件 AI 的 Insights 仪表板包含以下微件：

微件名称	微件类型	描述
已处理的电子邮件数量	输入	显示迄今为止处理的所有电子邮件的累计总数。
自动化分发	Pie Chart	已使用的自动化百分比，分配者为： 已自动化 已由人工更正 已移交给人类
意图分布	Pie Chart	使用的意向百分比，分布者为： 事务问题 索取信息 贷款问题 已由人工更正 已移交给人类
实体分布	Pie Chart	已使用实体的百分比，分布者为： 日期 人员 数量 ID 组织 已由人工更正 已移交给人类
情绪分布	Pie Chart	使用的情绪百分比，分布者为： 已移交给人类 已由人工更正 否定 中性 阳性 非常负面 非常积极
FAQ 问题的分布	Pie Chart	收到的每个常见问题解答问题的使用百分比。

人机回圈和持续学习

提供的示例业务场景工作流会将低置信度数据推送到 Action Center 进行人工验证，然后再推送到 AI Center。 对于自定义 NER 模型，提供了NER_Validation_Station工作流，可用于验证自定义实体，然后将数据推送到 AI Center。

配置电子邮件 AI

	描述
步骤 1：训练和部署 ML 技能	需要训练和部署以下 ML 技能： 多语言文本分类 自定义命名实体识别 语义相似度 情感分析
步骤 2：公开所有 ML 技能并复制 URL 和 API 密钥	复制已部署 ML 技能的 URL 和 API 密钥。
步骤 3：使用 SMA_SmartAutomationMail 工作流并配置环境变量	使用提供的必要配置，工作流即可运行。
步骤 4：转到 Insights 仪表板并运行查询	在 Insights 仪表板中配置以下查询： 即将添加。 即将添加。 即将添加。
步骤 5：为 NER 配置人机回圈	运行执行工作流后，自定义 NER 模型中的低置信度数据将收集到NER_Validation_Station文件夹的training_data子文件夹中。 在其中运行工作流以验证数据并根据需要进行更改。 现在，可以将此数据手动上传到 AI Center，也可以配置验证站点以将数据上传到 AI Center 数据集文件夹。
步骤 6：根据您的需求扩展电子邮件 AI	既然我们已经了解了 Email AI 如何自动化收件箱，那么该研究一下公司的常用收件箱，并将此解决方案模板扩展到解决方案。

步骤 1：训练和部署 ML 技能

1. 训练文本分类数据集模型并将其部署为 ML 技能。
2. 训练 NER 数据集模型并将其部署为 ML 技能。
3. 将语义相似度模型部署为 ML 技能。
4. 将情感分析模型部署为 ML 技能。

步骤 2：公开所有 ML 技能并复制 URL 和 API 密钥

有关如何公开 ML 技能以及如何生成 URL 和 API 密钥的更多信息，请参阅“管理 ML 技能”。

步骤 3：配置电子邮件 AI 演示

1. 在 Config.xlsx 的 ML 配置工作表中为 ML 技能和数据集文件夹配置 API URL 和密钥。
2. 配置以下参数：
   1. 为文件夹 demo_emails 配置 UnreadLocalMailFolder。
   2. 为 Orchestrator 中的文件夹配置 OrchestratorFolderPath。
   3. 为文件夹 faq_data 配置 FAQDataPath。
3. 在工作流中，将 ConfigFilePath 参数设置为提供的 Config.xlsx 文件。
4. 运行工作流。若工作流暂停，请转到 Action Center 验证数据。

步骤 4. 转到 Insights 仪表板并运行查询

此信息将很快添加。 目前，请跳过此步骤。

步骤 5：配置 Human in Loop

1. 从 NER_Validation_Station 文件夹打开工作流。
2. 在包管理器中，添加 NER_Validation_Station 文件夹中的 UiPathTeam.CustomNER.Activities.1.0.0.nupkg 依赖项。
3. 将配置环境变量设置为外部文件夹中提供的 Config.xlsx 文件的文件路径。
4. 验证数据并在必要时进行编辑。
5. 数据将写回 Config.xlsx 中配置的 AI Center 文件夹。

第 6 步：根据您的需求扩展电子邮件 AI

可以根据项目需求配置电子邮件 AI 解决方案模板。 为此，您可以更改Config.xlsx文件中的配置参数。

使用您自己的数据进行训练时，请务必至少配置以下配置参数：

1. 分类
2. 命名实体
3. SemanticSimilarityOnlyIfType
4. 紧急实体类型
   最后，要将NER_Validation_Station扩展到新的工作流，请更新taxonomy.json 3} 文件夹下DocumentProcessing子文件夹中的NER_Validation_Station文件。